Zusammenfassung
Die Theorie der Markov-Felder liefert einen allgemeinen und systematischen Ansatz für eine kontextsensitive Bildinterpretation. In diesem Beitrag stellen wir eine Erweiterung dieses Ansatzes durch topologische Graphen und ein „Learning by example“-Verfahren für die automatische Generierung von Markov-Feld-Datenbasen vor. Die räumlichen Beziehungen disjunkter Bildregionen werden durch eine symmetrische Relation relativer topologischer Tiefen mit Hilfe der lokalen Charakteristiken eines allgemeinen Markov-Feldes (MF) modelliert. Bildregionen und relationale Beziehungen bilden einen Graphen, der das Nachbarschaftssystem des MF festlegt, und dessen Knotenbewertungen als Zustände des MF den konkreten Interpretationen der Regionen entsprechen. Die für das Bildverstehen notwendige Datenbasis, ein Ensemble von Potentialfunktionen, wird mitsamt der räumlichen Beziehungsstruktur aus einer Menge von für eine Interpretationsdomäne typischen Beispielbildern automatisch erzeugt. Der Interpretationsvorgang wird als Maximum-a-posteriori-Formulierung (MAP) betrachtet, die basierend auf den a priori Kenntnissen der Datenbasis mit Hilfe eines stochastischen Relaxationsverfahrens maximiert wird.
Access this chapter
Tax calculation will be finalised at checkout
Purchases are for personal use only
Preview
Unable to display preview. Download preview PDF.
Literatur
E. H. L. Aarts, J. Korst: Simulated Annealing and Boltzmann Machines. John Wiley & Sons Ltd., Chichester, 1989.
J. E. Besag: Spatial Interaction and the Statistical Analysis of Lattice Systems. Royal Statistical Society, pp. 192–236 (with discussion), series B, vol. 36, 1974.
W. Eckstein: HORUS-Referenzmanual. Version 3.10, Technische Universität München, Institut für Informatik, 1991.
S. Geman, D. Geman: Stochastic Relaxation, Gibbs Distributions, and THE Bayesian Restoration OF Images. M. A. Fischler: Readings in Computer Vision, pp. 564–584, Morgan Kaufmann Publishers, 1987.
M. D. Huang, F. Romeo, A. Sangiovanni-Vincentelli: An Efficient General Cooling Schedule for Simulated Annealing. International Conference on Computer-Aided Design, pp. 381–384, IEEE, Santa Clara, 1986.
R. Kindermann, J. L. Snell: Markov Random Fields and their Applications. American Mathematical Society, Providence, Rhode Island, 1980.
H. Kristen: Markov-Feld-basierte Bildinterpretation mit automatisch generierten Datenbasen. Diplomarbeit, Technische Universität München, 1991.
J. W. Modestino, J. Zhang: A Markov Random Field Model-Based Approach to Image Interpretation. Conference on Computer Vision and Pattern Recognition, pp. 458–465, IEEE, San Diego, 1989.
J. Moussouris: Gibbs and Markov Random Systems with Constraints. Journal of Statistical Physics, pp. 11–33, Vol. 10, No. 1, 1974.
J. Zhang: Two-Dimensional Stochastic Model-Based Image Analysis. Ph.D. Thesis, Rensselaer Polytechnic Institute, Troy, New York, August 1988.
Author information
Authors and Affiliations
Editor information
Editors and Affiliations
Rights and permissions
Copyright information
© 1992 Springer-Verlag Berlin Heidelberg
About this paper
Cite this paper
Kristen, H., Munkelt, O. (1992). Markov-Feld-basierte Bildinterpretation mit automatisch generierten Datenbasen. In: Fuchs, S., Hoffmann, R. (eds) Mustererkennung 1992. Informatik aktuell. Springer, Berlin, Heidelberg. https://doi.org/10.1007/978-3-642-77785-1_6
Download citation
DOI: https://doi.org/10.1007/978-3-642-77785-1_6
Publisher Name: Springer, Berlin, Heidelberg
Print ISBN: 978-3-540-55936-8
Online ISBN: 978-3-642-77785-1
eBook Packages: Springer Book Archive